c++调用yolov5模型

要在C++中调用Yolov5模型，可以使用以下步骤：

1. 安装OpenCV和Libtorch库。OpenCV用于图像处理，Libtorch用于深度学习模型的加载和预测。

2. 下载并加载Yolov5模型。可以使用PyTorch将预训练的Yolov5模型转换为Libtorch格式，然后在C++中加载它们。加载模型时，需要指定输入图像的大小和通道数，并设置模型的推理模式为eval。

3. 准备输入图像。将输入图像读入内存并转换为Libtorch张量。

4. 运行模型。将输入张量传递给模型，并使用forward函数进行推理。模型将返回一个输出张量，其中包含检测到的物体的位置和类别。

5. 解析输出结果。从输出张量中提取检测结果，并将它们绘制到图像上，或者将它们输出到控制台。

这里是一个简单的示例代码，演示如何加载Yolov5模型并运行它：

#include <torch/script.h>
#include <opencv2/opencv.hpp>

int main()
{
    // Load model
    torch::jit::script::Module module = torch::jit::load("yolov5s.pt");

    // Input image size
    const int input_size = 640;

    // Input channels
    const int input_channels = 3;

    // Set model to evaluation mode
    module.eval();

    // Prepare input image
    cv::Mat image = cv::imread("test.jpg");
    cv::resize(image, image, cv::Size(input_size, input_size));
    cv::cvtColor(image, image, cv::COLOR_BGR2RGB);
    torch::Tensor input_tensor = torch::from_blob(image.data, {1, input_size, input_size, input_channels}, torch::kByte);
    input_tensor = input_tensor.permute({0, 3, 1, 2}).to(torch::kFloat).div(255);

    // Run model
    std::vector<torch::jit::IValue> inputs;
    inputs.push_back(input_tensor);
    torch::Tensor output_tensor = module.forward(inputs).toTensor();

    // Parse output results
    const int num_classes = 80;
    const float conf_threshold = 0.5;
    const float nms_threshold = 0.5;
    std::vector<cv::Rect> boxes;
    std::vector<int> classes;
    std::vector<float> scores;
    auto output = output_tensor.squeeze().detach().cpu();
    auto idxs = output.slice(1, 4, 5).argmax(1);
    auto confs = output.slice(1, 4, 5).index_select(1, idxs).squeeze();
    auto mask = confs.gt(conf_threshold);
    auto boxes_tensor = output.slice(1, 0, 4).masked_select(mask.unsqueeze(1).expand_as(output.slice(1, 0, 4))).view({-1, 4});
    auto scores_tensor = confs.masked_select(mask).view({-1});
    auto classes_tensor = output.slice(1, 5).masked_select(mask).view({-1});
    torch::Tensor keep = torch::empty({scores_tensor.size(0)}, torch::kBool);
    torch::argsort(scores_tensor, 0, true, keep);
    auto keep_vec = keep.cpu().numpy();
    for (int i = 0; i < keep_vec.shape[0]; i++) {
        int index = keep_vec[i];
        int cls = classes_tensor[index].item<int>();
        float score = scores_tensor[index].item<float>();
        cv::Rect box;
        box.x = boxes_tensor[index][0].item<int>();
        box.y = boxes_tensor[index][1].item<int>();
        box.width = boxes_tensor[index][2].item<int>() - box.x;
        box.height = boxes_tensor[index][3].item<int>() - box.y;
        boxes.push_back(box);
        classes.push_back(cls);
        scores.push_back(score);
    }

    // Non-maximum suppression
    std::vector<int> indices;
    cv::dnn::NMSBoxes(boxes, scores, conf_threshold, nms_threshold, indices);

    // Draw detection results
    for (int i = 0; i < indices.size(); i++) {
        int idx = indices[i];
        cv::rectangle(image, boxes[idx], cv::Scalar(0, 255, 0), 2);
        cv::putText(image, cv::format("%s %.2f", "class", scores[idx]), cv::Point(boxes[idx].x, boxes[idx].y - 10), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 255, 0), 2);
    }

    // Display detection results
    cv::imshow("Detection", image);
    cv::waitKey();

    return 0;
}

其中，test.jpg是输入图像的文件名，yolov5s.pt是预训练的Yolov5模型文件名。在该代码中，我们使用OpenCV对输入图像进行处理，并使用Libtorch加载和运行模型，最终将检测结果绘制到图像上。